К содержимому
Другое

CLIP ViT-L/14 task experts

восемь экспертов для задач зрения

2 мин чтенияобновлено

Это не одна модель, а восемь полных файнтюнов image-энкодера openai/clip-vit-large-patch14 — по одному на задачу: SUN397, Stanford Cars, RESISC45, EuroSAT, GTSRB, DTD, Food101 и FER2013. Голова классификатора инициализирована zero-shot текстовыми эмбеддингами и заморожена, а обучается только image tower. Каждый запуск сделан с learning rate 3e-5, и после каждой эпохи сохранён чекпоинт. Набор пригодится для model merging и task arithmetic, а также для исследований выбора чекпоинта и длительности обучения. Практический выход — готовый экспертный классификатор для одной из восьми задач зрения.

Ключевые особенности

  • Восемь отдельных запусков по одному рецепту: lr 3e-5, batch size 32, fp16, 10 эпох.
  • Замороженная голова из zero-shot текстовых эмбеддингов; обучаются только vision_model и visual_projection.
  • Чекпоинт после каждой эпохи — можно сравнивать выбор чекпоинта и длительность обучения.
  • Верхнеуровневый model.safetensors — лучшая эпоха по accuracy на eval split; для 7 из 8 задач это test split, поэтому оценка оптимистична.
  • В карточке есть код загрузки и predict; порядок классов — по признаку label датасета.

Что можно сделать

  • Собрать task vectors из разницы vision_model.* / visual_projection.* с базовым CLIP для merging и арифметики задач.
  • Провести исследование выбора чекпоинта: сравнить accuracy по эпохам и взять фиксированную эпоху для честного сравнения.
  • Использовать нужного эксперта как классификатор для одного из наборов — например, GTSRB, Food101 или FER2013.
  • Взять готовый рецепт и код как baseline для собственного файнтюна image-энкодера CLIP.

Пример

import torch
from huggingface_hub import hf_hub_download
from safetensors.torch import load_file
from transformers import CLIPModel, CLIPImageProcessor

repo = 'theblackcat102/clip-vit-large-patch14-task-experts-ep10'
run = 'dtd_openai_clip-vit-large-patch14_ep10_bs32_lr3e-5'
sd = load_file(hf_hub_download(repo, f'{run}/model.safetensors'))
ПодробнееAccuracy: DTD 82.82%, EuroSAT 99.26%, FER2013 74.70%, Food101 92.80%, GTSRB 99.41%, RESISC45 96.30%, Stanford Cars 92.35%, SUN397 78.77%.
Top-level model.safetensors — лучшая эпоха по accuracy на eval split; для 7 из 8 задач это test split, поэтому цифры оптимистичны. Для сравнения без выбора берите фиксированную эпоху, например последнюю.
Обучение: lr 3e-5, batch size 32, fp16, 10 эпох, без data augmentation; обучается только image tower, голова заморожена. Требования к VRAM не указаны.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.6 GB · готовые файлы2.3 GB
  • FP8 / INT8рекомендуемвеса 0.8 GB1.4 GB
  • 4-bitвеса 0.4 GB1.0 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # theblackcat102/clip-vit-large-patch14-task-experts-ep10
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download theblackcat102/clip-vit-large-patch14-task-experts-ep10 --local-dir ~/models/clip-vit-large-patch14-task-experts-ep10
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

openai/clip-vit-large-patch14

Новые посты про версии clip-vit-large-patch14 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 6Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

theblackcat102/clip-vit-large-patch14-task-experts-ep10
Автор
theblackcat102
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии